基于多模态视网膜影像组学特征的机器学习预测1型糖尿病患者心血管风险

推荐：本研究通过机器学习算法分析多模态视网膜图像（CFP/OCT/OCTA）的影像组学特征，结合临床数据构建心血管风险分层模型。结果显示仅用影像特征即可区分中高风险（AUC 0.79±0.03），联合临床数据后识别极高风险的AUC达0.99±0.01，证实视网膜影像可作为无创评估T1DM患者CV风险的新工具。

　　

心血管疾病是全球头号死因，而糖尿病患者的心血管风险显著增高。目前风险评估依赖临床指标采集，存在侵入性检测局限。视网膜作为"观察全身健康的窗口"，其血管变化与心血管疾病密切相关。光学相干断层扫描(OCT)和光学相干断层扫描血管成像(OCTA)等新型成像技术能提供更精细的视网膜结构信息，但如何利用这些海量影像数据实现精准风险评估仍是挑战。

巴塞罗那医院诊所的研究团队在《Ophthalmology Science》发表研究，首次将机器学习(ML)应用于1型糖尿病(T1DM)患者的多模态视网膜图像分析。他们收集597眼(359例)的彩色眼底照相(CFP)、OCT和OCTA图像，提取91个影像组学特征，结合 demographics、血液指标等临床数据，采用双重交叉验证构建预测模型。关键技术包括：基于国际ESC标准定义风险等级、PyRadiomics工具提取定量特征、支持向量机(SVC)等算法优化，以及SHAP值评估特征重要性。

【结果】

1. 影像组学单独应用时：

• 区分中危vs高危/极高危的AUC达0.79±0.03（逻辑回归模型）
• 识别高危vs极高危的AUC为0.73±0.07（SVC-rbf模型）
• OCTA 3×3图像的深层血管丛(DCP)偏度特征最具预测价值

1. 联合临床数据后：

• 加入 demographics 和 systemic 数据使极高危识别AUC提升至0.99±0.01
• 仅用眼科数据（OCT+OCTA参数+眼部检查）即可实现极高危筛查（AUC 0.89±0.02）

1. 关键预测因子：

• 临床指标：糖尿病病程(DM duration)、非吸烟状态、总胆固醇
• 影像特征：OCTA 3×3 DCP偏度、OCT四分位距
• 糖尿病视网膜病变程度是最强预测因子(SHAP值0.257)

【讨论与意义】
该研究创新性地证实：①视网膜影像组学可捕捉传统检查难以发现的微血管改变；②OCTA特征优于CFP和OCT，其中3×3扫描更具鉴别力；③模型性能与ESC标准使用的临床参数高度吻合，但实现方式完全无创。特别值得注意的是，仅通过眼科检查数据就能有效识别极高危患者，这对简化临床筛查流程具有重要意义。

研究局限性包括样本仅限T1DM人群，且未进行手动图像分割校正。未来可探索开发基于该算法的在线风险评估工具，推动"眼组学"(oculomics)在心血管疾病防控中的转化应用。这项成果为糖尿病并发症的早期干预提供了新思路，展现了多模态影像与人工智能结合的临床潜力。